1 功能描述
关联规则是数据挖掘的另一项十分重要的任务，对于超市的管理者来说，其可以通过关联规则快速的发现销售商品之间的关系，进而对商品的摆放位置和价格进行调整。
关联规则可以分别一般的关联规则和时序关联规则（序列）。
2 关联规则
我们这里将采用BASKETS.txt数据文件，根据客户的购买记录来发现商品之间的关联规则。
首先需要将数据读取到SPSS Modeler软件中。将“源”选项卡下面的可变节点添加到流编辑区域
双击打开可变节点；选择BASKETS.txt文件的存放路径，其他保持默认，点击确定。
将“输出”选项卡下面的表节点添加到数据流中，点击运行，可以发现数据已成功读取到SPSS Modeler中，其中，前面几列是客户的基本信息，后面是消费的商品，对于某个商品，T表示购买，F表示没有购买。
将“字段选项”选项卡下面的类型节点添加到数据流中，并与可变文件节点连接。类型节点主要是为了对数据进行实例化。
将“建模”选项卡下面的“Apriori”节点添加到数据流，并与类型节点连接。
双击打开“Apriori”节点。在字段页面，后项将所有的商品变量加入；前项除了将所有的商品变量加入外，还可以把sex和homeown变量加入，即性别也可能会影响商品的购买行为。
在Apriori节点的设置中，模型页面可以设置规则支持度和置信度，以及最大前项数。这里为了演示，将支持度设为10%，置信度设为80%。其他保持默认，点击运行。
注意：如果规则支持度和置信度太高，可能无法找出关联规则。
模型训练好后，将自动添加到数据流中。
双击打开训练好的Apriori模型，可以发现一共找到了6条关联规则。第一条表示性别为男性且购买了啤酒和冻肉的同时会购买罐装蔬菜，该规则的支持度和置信度分别为14.8和95.27
3 序列
我们这里将采用webData.sav数据文件，采用序列模型来研究用户浏览网页间的时间先后顺序及关系。
首先需要将数据读取到SPSS Modeler软件中。将“源”选项卡下面的Statistics节点添加到流编辑区域
双击打开Statistics节点；选择webData.sav文件的存放路径，点击确定。
将“输出”选项卡下面的表节点添加到数据流中，点击运行，可以发现数据已经导入到SPSS Modeler软件中。CustomerGuid表示用户id，sequence表示浏览网页的时间先后顺序，URLCategory表示浏览的网页。
将“字段选项”选项卡下面的类型节点添加到数据流中，并与Statistics节点连接。类型节点主要是为了数据的实例化。
将“建模”选项卡下面的“序列”节点添加到数据流，并与类型节点连接。
双击打开序列节点，在字段页面，ID字段选择用户id“CustomerGuid”，勾选使用时间字段并选择“SequenceID”，内容自动输入“URLCategory”。
在模型页面可以设置规则支持度和置信度。这里为了顺利找出关联规则，将支持度和置信度分别设为10%和50%。其他保持默认，点击运行。
模型训练好后，将自动添加到数据流中。
双击打开训练好的序列模型，可以发现一共找到了3条关联规则。第一条表示浏览了Flight网页后会浏览Hotel的网页，该规则的支持度和置信度分别为11.9和86.555.